Ensaio metodológico para a categorização territorial do município de Lisboa utilizando dados dos censos de 2011

Abstract

A visão mais tradicional em Geografia perspetiva o território como uma realidade dicotómica onde se cruzam características sociodemográficas e biofísicas, afirmando a literatura a respeito, que ambas as dimensões territoriais coexistem e interagem. No entanto, o número de indicadores de cada dimensão é vasto e torna complexa a categorização do território - tarefa que gera conhecimento sobre as diferenças entre territórios e auxilia um melhor planeamento, mais direcionado e estratégico. O objetivo deste trabalho é categorizar a área do Município de Lisboa, ao nível da secção estatística, integrando informação sobre os aspetos físicos e sociais. Para tal utilizaram-se técnicas de análise estatística multivariada e complementares: Análise em Componentes Principais (aplicada aos aspetos físicos e sociais do território) e Classificação Hierárquica Ascendente (baseada nos fatores previamente extraídos na Análise em Componentes Principais). Os clusters resultantes foram mapeados e a sua autocorrelação espacial foi testada.

The more traditional perspective in Geography views territory as a dichotomous reality of sociodemographic and biophysical characteristics, with the specialty literature indicating, that both territorial dimensions coexist and interact. However, the number of indicators for each dimension is vast and makes the categorization of territory complex – a tas k that generates knowledge about the differences between territories, improving the planning process and making it more directed and strategic. This work main goal is to categorize Lisbon Municipality area at the statistical section level, integrating information on the physical and social aspects. For this purpose, multivariate and complementary statistical analysis te chniques were used: Principal Component Analysis (applied to the physical and social aspects of the territory) and Hierarchical Classification Analysis (based in the factors extracted in t he Principal Component Analysis). Clusters were mapped and it s spatial autocorrelation was tested.